ROC曲线应用措施.docVIP

ROC曲线应用措施 　　1、ROC曲线的基本思想及应用 　　评价诊断试验有效性的常用指标为灵敏度Se和特异度Sp[4]，但评价中尚存在下列问题:对数值变量或有序分类变量，当诊断界值发生变化时，灵敏度和特异度分别朝着不同的方向变化，因此单纯用某一点上的灵敏度和特异度指标比较和评价几种诊断系统的诊断效能是不全面的;当一种方法的灵敏度高而另一种方法的特异度高时，则很难对两者进行比较;传统的灵敏度和特异度指标比较，未考虑医师的诊断水平、置信水平和临界值的选取等混杂因子的存在。因此，只有对不同的诊断界值下的灵敏度”特异度曲线进行全面的比较，才能比较客观地反映诊断系统的效能。ROC曲线分析的本质就是动态分析、比较不同诊断试验在多个诊断界值条件下，对应的灵敏度-特异度曲线的差异[5]。对于非二分类的诊断结果Y，我们通过选择临界值C(又称截割点cut-offpoint)进行二分类，定义Yge;C为阳性结果。ROC曲线即是在所有可能的临界值范围内运用该原理，将真阳率和假阳率(1-真阴率)联系起来的一种线图。ROC曲线下的面积表示诊断系统中阳性和阴性诊断结果分布的重叠程度，反映了诊断试验价值的大小。面积越凸说明诊断价值越高，因此，可以通过比较曲线下面积的大小评价多个诊断试验。同时，根据曲线拐点，可选取理论上最合适的截割点[6，7]，使试验的灵敏度和特异度达到最优。另外，ROC曲线分析还可评价判别模型诊断效果[8]。从1982年Swets和Pickett将ROC分析应用于诊断试验到现在，该方法已成为生物医学中描述诊断试验准确性的最流行的一种技术。 　　2、ROC曲线分析方法 　　2.1ROC曲线下的面积计算 　　2.1.1参数法Bamber[9]于1975年提出以不等边四边形理论(trapezoidalrule)为基础的ROC曲线下面积计算公式:A=k-1sum;j=1P(T=j|D=0)ksum;i=j+1P(T=l|D=1)+12ksum;k=1P(T=k|D=0)P(T=k|D=1)。国内有人提出用累积比数模型[10]，将真实病情(参照金标准)D看作解释变量，待评估的诊断试验作为反应变量，用于小样本的ROC曲线下面积计算。 　　2.1.2非参数法包括Wilcoxon统计量思想(HanleyJA，1982年)，Mann-Whitney和Kolmogorov-Smirnov统计量[11]。Hanley[3]于1982年提出在资料分布未知的情况下ROC曲线下面积的计算方法，引用了非参数检验方法中Wilcoxon统计量的思想，将各截割点看作可依次排序的秩项，列出计算表，估计曲线下的面积及其标准误，W=1nAbull;nNnAsum;1nNsum;1S(xA，xN)。最近又相继有人提出了在确诊偏性存在条件下[12]和有重复测量数据[13]的ROC曲线面积的非参数估计方法。 　　2.2面积的可信区间计算 　　对于ROC可信区间的研究，Hilgers等提出所谓“自由分布”可信区间，Campbell[11]介绍了3种整条ROC曲线可信区间的计算方法，以Kolmogorov-Smirnov统计量或者Bootstrap再抽样为基础的“球形”可信带，但都存在可信区间相当宽的问题。Jensen等[14]于2000年提出可以只计算研究者感兴趣的“局部”可信带，使得原本很宽的可信带变窄，这样ROC曲线的应用更有实际意义。 　　2.3ROC曲线下面积比较 　　ROC曲线下面积比较的方法较多，以正态分布的U检验为主。这些方法都要求有确诊病例[15]，然而只用确诊病例资料作分析会带来确诊偏性，Zhou[16]在随机缺失(missing-at-random，MAR)假设基础上提出一种确诊偏性校正方法用于ROC曲线下面积的比较，分别在有、无协变量情况下作临床资料分析。可以用ML法估计参数，Delta法求出面积估计值的协方差阵，作面积比较的假设检验。Delong等[17]则提出一种用于比较两个或多个相关ROC曲线下面积的非参数方法。 　　2.4ROC的回归分析 　　ROC的回归模型分析方法在许多生物医学研究中被当作一种有用的方法，但在诊断试验中的应用和发展却较缓慢。Tosteson等[18]将有序回归模型用于诊断试验的评价;Smith[19]提出了连续比模型的ROC分析;Wendy等[20]在1997年提出用边际二分类回归法对诊断试验进行分析。Margaret[21]于1998年在前人的基础上，提出了3种不同的ROC回归方法，结合连续型的临床资料对这3种方法加以比较发现:方法1(ModelingtheTestResult)在评价协变量对ROC曲线作用大小时最敏感，不能用于诊断方法间的比较;方法2(ModelingSummaryMeasuresofAccuracy)要求协变量